近几年,由于移动互联网在不断地快速发展,网络上的信息也越来越丰富。面对如此丰富的网络信息,推荐便显得尤其重要。推荐系统的主要功能是根据用户对物品的历史行为信息,挖掘出用户的行为偏好。然后根据偏好模型提供给用户满足需求的信息。传统的推荐系统面临的稀疏性问题和冷启动问题在一定程度上限制了推荐的效果。而表示学习实现了把不同研究对象之间丰富的关联信息投影到低维的向量空间中,这种学习方法可以很好的解决推荐系统中所面临的问题。知识图谱表示学习与推荐的结合更能有效地提升推荐的性能,实现符合用户偏好特点的个性化推荐。在现有的基于知识图谱表示学习的推荐中,基于翻译的表示学习算法已经取得了很大的成功。但是在这些方法中并没有充分考虑到用户和项目自身的结构信息,以及用户与项目之间的交互信息,导致推荐的效果不佳。因此,针对以上问题,本文在基于翻译的表示学习算法上做了相关研究和改进,主要研究内容包括以下几个方面:(1)通过对知识图谱中实体结构信息的分析,提出一种融合实体结构信息的表示学习算法(Strans),实现对知识图谱中实体和关系更准确的表示。具体地,本文分析实体的结构信息,包含直接结构信息和间接结构信息两部分。通过学习实体的这两部分结构信息,得到包含丰富结构信息的实体向量表示。并结合典型的翻译模型,分别得到了新的融合实体结构信息的表示学习方法Strans E模型和Strans H模型。通过大量实验,结果表明Strans E和Strans H模型在知识图谱链接预测任务上取得了显著的进步。(2)从分析用户对项目行为信息的角度出发。现有的表示学习算法忽略了用户与不喜欢项目之间的交互信息,对用户的偏好没有实现全面的学习。针对这一问题,本文提出了一种基于用户自适应偏好的表示学习推荐方法。具体地,本文首先在现有的经典翻译模型中增加用户与项目之间的关系数目,训练得到用户的“偏好”关系向量。其次,本文给出了算法在训练过程中存在的不足和对应的解决方法。最后充分利用负反馈信息来更新推荐列表。